CN108960954B - 一种基于用户群行为反馈的内容推荐方法及推荐系统 - Google Patents
一种基于用户群行为反馈的内容推荐方法及推荐系统 Download PDFInfo
- Publication number
- CN108960954B CN108960954B CN201710655653.7A CN201710655653A CN108960954B CN 108960954 B CN108960954 B CN 108960954B CN 201710655653 A CN201710655653 A CN 201710655653A CN 108960954 B CN108960954 B CN 108960954B
- Authority
- CN
- China
- Prior art keywords
- content
- matrix
- user
- module
- user group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0263—Targeted advertisements based upon Internet or website rating
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户群行为反馈的内容推荐方法,包括收集内容的标识特征和用户群对内容的反馈行为;建立基于内容相似度计算的目标函数及约束条件;利用约束求解方法,计算出内容相似度矩阵;计算预测评分矩阵;根据所述的预测评分矩阵,向用户推荐评分排名靠前的内容。本发明将协同过滤的思想引入基于内容的过滤推荐框架,能够克服单纯基于内容推荐的缺点,使得在用户群行为反馈数据或内容标识特征数据相对缺失时,推荐的精准性依然较高,同时计算的复杂度保持较低。
Description
技术领域
本发明属于互联网智能推荐技术领域,具体涉及一种基于用户群行为反馈的内容推荐方法及推荐系统。
背景技术
基于内容的推荐是最早也是最广被使用的智能推荐方法之一,它根据用户过去喜欢的产品,为用户推荐和他过去喜欢的产品相似的产品。例如,一个推荐饭店的系统可以依据某个用户之前喜欢的很多烤肉店,为他推荐其他相似的烤肉店。基于内容的推荐方法的过程一般包括三步:第一,为每一个产品抽取特征来表示此产品,第二,利用用户过去喜欢或者不喜欢的产品的特征数据,来学习出此用户的喜好特征,第三,通过比较上一步得到的用户喜好特征与待推荐产品的特征,为用户推荐一组相关性最大的产品。基于内容的推荐存在很多优点,比如用户之间的独立性,即其他用户的数据好坏影响不到具体某人的推荐,无论别人怎么作弊刷排名,都不会影响到具体的推荐的结果;推荐出来的产品具有直观解释性,即如果需要向用户解释为什么推荐了这些产品给他,你只要告诉他这些产品具有某某属性,这些属性特征和你的品位很匹配;一个新的产品加入系统,便可以立即得到推荐等。但是不可否认,单纯基于内容的推荐存在一些的技术问题:第一,无法挖掘出用户的潜在兴趣,第二、无法为新用户产生推荐。由此提出了一种基于用户群行为反馈的内容推荐方法及推荐系统,将协同过滤的思想引入基于内容的过滤推荐框架,用以解决上述技术问题,并利用约束求解方法快速获得求解结果,使得本发明的方法及系统内容推荐的结果更满足于用户的实际需求。
发明内容
本发明的第一目的在于提供一种基于用户群行为反馈的内容推荐方法。
本发明的第一目的是这样实现的,包括:
步骤S1,收集内容的标识特征和用户群对内容的反馈行为;
步骤S2,初始化内容的标识特征矩阵和用户群行为反馈矩阵;
步骤S3,建立基于内容相似度计算的目标函数及约束条件;
步骤S4,利用约束求解方法,计算出内容相似度矩阵;
步骤S5,利用所述的用户群行为反馈矩阵和所述的内容相似度矩阵,计算用户对内容的预测评分矩阵;
步骤S6,根据所述的预测评分矩阵,向用户推荐评分排名靠前的内容。
本发明的第二目的在于提供一种基于用户群行为反馈的内容推荐方法的内容推荐系统。
本发明的第二目的是这样实现的,包括:
信息获取模块,信息规整模块,模型计算模块,评分计算模块,内容推荐模块,所述的信息获取模块用于收集内容的标识特征和用户群对内容的反馈行为;
所述的信息规整模块用于将信息获取模块获取到的信息,规整为内容的标识特征矩阵和用户群行为反馈矩阵;
所述的模型计算模块包括模型建立模块和结果计算模块,所述的模型建立模块用于建立基于内容相似度计算的目标函数及约束条件,所述的结果计算模块利用约束求解方法,计算出内容相似度矩阵;
所述的评分计算模块利用所述的用户群行为反馈矩阵和所述的内容相似度矩阵,计算用户对内容的预测评分矩阵;
所述的内容推荐模块根据所述的预测评分矩阵,向用户推荐评分排名靠前的内容。
与现有技术相比,本发明具有以下技术效果:
本发明综合利用用户群行为反馈和内容标识特征数据,提出了一种新的推荐方法及推荐系统,本发明能够克服单纯基于内容推荐的缺点,使得在用户群行为反馈数据或内容标识特征数据相对缺失时,推荐的精准性依然较高,同时计算复杂度保持较低。
附图说明
图1为本发明中一种基于用户群行为反馈的内容推荐方法的流程示意图;
图2为本发明中一种基于用户群行为反馈的内容推荐系统的结构示意图;
图中:1-信息获取模块,2-信息规整模块,3-模型计算模块,4-评分计算模块,5-内容推荐模块,301-模型建立模块,302-结果计算模块,S1~S6为内容推荐方法的流程步骤。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
如附图1所示,本发明的一种基于用户群行为反馈的内容推荐方法,包括:
步骤S1,收集内容的标识特征和用户群对内容的反馈行为;
步骤S2,初始化内容的标识特征矩阵和用户群行为反馈矩阵;
步骤S3,建立基内容相似度计算的目标函数及约束条件;
步骤S4,利用约束求解方法,计算出内容相似度矩阵;
步骤S5,利用所述的用户群行为反馈矩阵和所述的内容相似度矩阵,计算用户对内容的预测评分矩阵;
步骤S6,根据所述的预测评分矩阵,向用户推荐评分排名靠前的内容。
所述的用户行为反馈包括购买记录,排名,评论,点击数等。所述的用户反馈矩阵为R,大小为m×n,矩阵第u行i列代表了第i个内容是否被用户u购买、观看或者排名,是为1否为0。
本发明中的推荐方法需要利用内容相似度S来填补矩阵R,而标识特征则可以被用来计算内容相似度。利用S的范式,并结合了特征矩阵F,可形成如下目标函数:
的限制避免了当R非常稀疏时,S趋近于0。目标函数中的用来学习S的系数矩阵并重构反馈矩阵。由于L1范式结果为常数,所以用L2范式规范S。比率用来平衡两种信息的权重。:表示矩阵F范数,即对矩阵所有元素求平方和开根号,即。
中,系数 是方便求导后去掉系数(),是用户给定的参数。表示内容和内容之间关于辅助信息的距离。由于约束条件即 的限制,最小化该项使得当内容 和内容之间关于辅助信息的距离较大时,内容和内容的相似度 较小,反之亦然。
所述的步骤S4中,利用约束求解方法,计算出所述的内容相似度矩阵,其具体过程可以采用拉格朗日计算方法、启发式搜索算法等。
如附图2所示,本发明的一种基于用户群行为反馈的内容推荐系统,包括:
信息获取模块1,信息规整模块2,模型计算模块3,评分计算模块4,内容推荐模块5,所述的信息获取模块1用于收集内容的标识特征和用户群对内容的反馈行为;所述的用户反馈包括购买记录,排名,评论,点击数等。
所述的信息规整模块2用于将信息获取模块获取到的信息,规整为内容的标识特征矩阵和用户群行为反馈矩阵,所述的用户反馈矩阵为R,大小为m×n,矩阵第u行i列代表了第i个内容是否被用户u购买、观看或者排名,是为1否为0。所述的内容的标识特征矩阵为F,大小为n×d,d为标识特征的维度。
所述的模型计算模块3包括模型建立模块301和结果计算模块302,所述的模型建立模块301用于建立基于内容相似度计算的目标函数及约束条件,所述的结果计算模块302利用约束求解计算方法,计算出内容相似度矩阵;
所述的评分计算模块4利用所述的用户行为反馈矩阵和所述的内容相似度矩阵,计算用户对内容的预测评分矩阵;
所述的内容推荐模块5根据所述的预测评分矩阵,向用户推荐评分排名靠前的内容。
所述的模型建立模块(301)中的目标函数为:,目标函数要求最小化,约束条件为并且,R为所述的用户群反馈矩阵,S为所述的内容相似度矩阵,F为所述的内容的标识特征矩阵,是用户给定的参数,用来平衡两种信息的权重,:表示矩阵F范数,即对矩阵所有元素求平方和开根号,即。
本发明工作原理和优点:本发明将协同过滤的思想引入基于内容的过滤推荐框架,综合考虑用户群的行为反馈信息和内容本身的标识特征,利用标识特征则可以被用来计算内容相似度,进而用内容相似度S来填补矩阵R,同时在模型求解中利用拉格朗日等约束求解方法,使得在用户群行为反馈数据或内容标识特征数据相对缺失时,本发明的推荐的精准性依然较高,且保持较低的计算复杂度。
Claims (3)
1.一种基于用户群行为反馈的内容推荐方法,其特征在于,所述方法包括:
步骤S1,收集内容的标识特征和用户群对内容的反馈行为;
步骤S2,初始化内容的标识特征矩阵和用户群行为反馈矩阵;
步骤S3,建立基于内容相似度计算的目标函数及约束条件;
步骤S4,利用约束求解方法,计算出内容相似度矩阵;
步骤S5,利用所述的用户群行为反馈矩阵和所述的内容相似度矩阵,计算用户对内容的预测评分矩阵;
步骤S6,根据所述的预测评分矩阵,向用户推荐评分排名靠前的内容;
步骤S3中所述的目标函数为:
目标函数要求最小化,约束条件为:并且其中,R为所述的用户群反馈矩阵,S为所述的内容相似度矩阵,F为所述的内容的标识特征矩阵,在F中,被用来代表内容i 的特征,是用户给定的参数,用来平衡两种信息的权重,表示矩阵F范数,即对矩阵所有元素求平方和开根号,即
步骤S4中所述的约束求解方法为拉格朗日计算方法。
3.一种根据权利要求1~2任意一项所述内容推荐方法的内容推荐系统,包括信息获取模块(1),信息规整模块(2),模型计算模块(3),评分计算模块(4),内容推荐模块(5),其特征在于,所述的信息获取模块(1)用于收集内容的标识特征和用户群对内容的反馈行为;
所述的信息规整模块(2)用于将信息获取模块获取到的信息,规整为内容的标识特征矩阵和用户群行为反馈矩阵;
所述的模型计算模块(3)包括模型建立模块(301)和结果计算模块(302),所述的模型建立模块(301)用于建立基于内容相似度计算的目标函数及约束条件,所述的结果计算模块(302)利用约束求解计算方法,计算出内容相似度矩阵;
所述的评分计算模块(4)利用所述的用户行为反馈矩阵和所述的内容相似度矩阵,计算用户对内容的预测评分矩阵;
所述的内容推荐模块(5)根据所述的预测评分矩阵,向用户推荐评分排名靠前的内容;
所述的模型建立模块(301)中的目标函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710655653.7A CN108960954B (zh) | 2017-08-03 | 2017-08-03 | 一种基于用户群行为反馈的内容推荐方法及推荐系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710655653.7A CN108960954B (zh) | 2017-08-03 | 2017-08-03 | 一种基于用户群行为反馈的内容推荐方法及推荐系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960954A CN108960954A (zh) | 2018-12-07 |
CN108960954B true CN108960954B (zh) | 2021-09-14 |
Family
ID=64495159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710655653.7A Active CN108960954B (zh) | 2017-08-03 | 2017-08-03 | 一种基于用户群行为反馈的内容推荐方法及推荐系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960954B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298283A (zh) * | 2020-10-19 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 一种内容对象预测方法和装置以及内容对象推荐方法 |
CN113497831B (zh) * | 2021-06-30 | 2022-10-25 | 西安交通大学 | 一种移动边缘网络下基于反馈流行度的内容放置方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
CN104462383A (zh) * | 2014-12-10 | 2015-03-25 | 山东科技大学 | 一种基于用户多种行为反馈的电影推荐方法 |
WO2016161005A1 (en) * | 2015-04-01 | 2016-10-06 | Amazon Technologies, Inc. | Data collection for creating apparel size distributions |
CN106815217A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 故事推荐方法和故事推荐装置 |
-
2017
- 2017-08-03 CN CN201710655653.7A patent/CN108960954B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281956A (zh) * | 2014-10-27 | 2015-01-14 | 南京信息工程大学 | 基于时间信息的适应用户兴趣变化的动态推荐方法 |
CN104462383A (zh) * | 2014-12-10 | 2015-03-25 | 山东科技大学 | 一种基于用户多种行为反馈的电影推荐方法 |
WO2016161005A1 (en) * | 2015-04-01 | 2016-10-06 | Amazon Technologies, Inc. | Data collection for creating apparel size distributions |
CN106815217A (zh) * | 2015-11-30 | 2017-06-09 | 北京云莱坞文化传媒有限公司 | 故事推荐方法和故事推荐装置 |
Non-Patent Citations (1)
Title |
---|
结合用户交互行为和资源内容的资源推荐;杨智强 等;《计算机辅助设计与图形学学报》;20140515;第26卷(第5期);第747-754页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960954A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844787B (zh) | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 | |
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
CN107833117B (zh) | 一种考虑标签信息的贝叶斯个性化排序推荐方法 | |
US20170249389A1 (en) | Sentiment rating system and method | |
CN108334592B (zh) | 一种基于内容与协同过滤相结合的个性化推荐方法 | |
JP6884116B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN102902691A (zh) | 推荐方法及系统 | |
CN103473354A (zh) | 基于电子商务平台的保险推荐系统框架及保险推荐方法 | |
CN103559622A (zh) | 基于特征的协同过滤推荐方法 | |
Darko et al. | Modeling customer satisfaction through online reviews: A FlowSort group decision model under probabilistic linguistic settings | |
US20210366006A1 (en) | Ranking of business object | |
CN109584006B (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN104298787A (zh) | 一种基于融合策略的个性化推荐方法及装置 | |
CN104615741B (zh) | 一种基于云计算的冷启动项目推荐的方法及装置 | |
CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
CN108920647B (zh) | 基于谱聚类的低秩矩阵填充top-n推荐方法 | |
US20230093756A1 (en) | Systems and methods for generating recommendations | |
Li et al. | Collaborative filtering based on user attributes and user ratings for restaurant recommendation | |
Ng et al. | CrsRecs: a personalized course recommendation system for college students | |
CN112613953A (zh) | 一种商品选品方法、系统及计算机可读存储介质 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN108960954B (zh) | 一种基于用户群行为反馈的内容推荐方法及推荐系统 | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
CN107133811A (zh) | 一种目标用户的识别方法和装置 | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |